Bienvenida

  • ¡Bienvenidos al curso de Modelos de Regresión y Series de Tiempo!
  • Instructor: Fernando Salcedo Mejía Eco, Ms
  • Escuela de Transformación Digital - ETD | Programa de Ciencia de Datos
  • Fecha: Junio 2024

Acerca del curso

  • Objetivo: Introducir los conceptos fundamentales de los modelos de regresión, series de tiempo y las habilidades técnicas y prácticas modernas para su aplicación.
  • Metodología: Combinación de teoría y práctica con ejemplos en R y Python.

Objetivos de aprendizaje

  • Formular modelos de regresión lineal, bondad de ajuste, evaluar supuestos e interpretación de resultados.
  • Detectar componentes de tendencia, estacionalidad y ciclos en series de tiempo, aplicar transformaciones de estacionariedad y modelos ARIMA.
  • Ajustar y diagnosticar modelos de volatilidad (ARCH/GARCH) para datos financieros.
  • Comparar y seleccionar modelos utilizando criterios de información (AIC, BIC) y validación cruzada.
  • Trabajo colaborativo en un proyecto final integrador de regresión y series de tiempo usando R o Python. Comunicación efectiva de resultados para audiencias técnicas y no técnicas.

Contenido del curso

  • Introducción a los modelos de regresión y series de Tiempo
  • Fundamentos de regresión y modelos estacionarios
  • Modelos ARMA y ARIMA
  • Modelos de series temporales no estacionarias
  • Modelos de suavizado exponencial y pronósticos
  • Modelos de volatilidad (ARCH/GARCH)
  • Indentificación, estimación y diagnóstico de modelos
  • Modelos de intervención y detencción de Valores atípicos
  • Modelos de Predicción Avanzados con IA : LSTM y Prophet
  • Proyecto final integrador

Recursos adicionales

  • Material del curso disponible en GitHub: Repositorio del curso
  • Lecturas recomendadas disponible en biblioteca física y digital de la universidad:
  • Enders, Walter (2004). Applied econometric time series. Wiley.
  • Ao, Sio-Iong (2010). Applied time series analysis and innovative computing. Springer.
  • Palit, Ajoy K. (2005). Computational intelligence in time series forecasting: theory and engineering applications. Springer.
  • Golyandina, Nina (2020). Singular Spectrum Analysis for Time Series. Springer Berlin Heidelberg.
  • Ghysels, Eric (2001). The econometric analysis of seasonal time series. Cambridge University.
  • Box, George E. P. (1994). Time series analysis forecasting and control. Prentice-Hall.
  • IntechOpen (2024). Time Series Analysis: Recent Advances, New Perspectives and Applications.
  • Liu, Timina (2020). Time Series Analysis Using SAS Enterprise Guide. Springer Singapore.
  • Cipra, Tomas (2020). Time Series in Economics and Finance. Springer International Publishing.
  • Franses, Philip Hans (1998). Time series models for business and economic forecasting. Cambridge University Press.
  • Hyndman, R.J., & Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. Available at: OTexts.com/fpp3.
  • Hyndman, R.J., Athanasopoulos, G., Garza, A., Challu, C., Mergenthaler, M., & Olivares, K.G. (2025). Forecasting: Principles and Practice, the Pythonic Way. OTexts: Melbourne, Australia. Available at: OTexts.com/fpppy.

Evaluación

  • Participación en clase y ejercicios prácticos en clases: 30%
    • Por cada hora de clase una actividad grupales o individuales.
  • Exámenes parciales: 40%
    • Dos exámenes parciales durante el curso.
  • Proyecto final integrador: 30%
    • Comienza en el tercer cohorte.
    • Desarrollo de un proyecto final que integre los conceptos aprendidos en el curso.
    • Presentación y defensa del proyecto en una feria de datos.

Políticas del curso

  • Asistencia: Se espera asistencia regular a las clases y participación activa.
  • Entrega de trabajos: Todos los trabajos deben entregarse en las fechas establecidas.
  • Honestidad académica: Se espera que todos los estudiantes mantengan los más altos estándares de integridad académica. El plagio y la copia no serán tolerados.
  • Uso de software: Se utilizarán R y Python en Jupyter Notebooks (.ipynb) para prácticas y proyectos del curso.
  • Entregas de trabajos y proyectos en PDF y HTML generados desde Jupyter Notebooks (.ipynb).
  • Uso de IA Generativa: El uso de herramientas de IA generativa está permitido para apoyo en la comprensión de conceptos y generación de código, siempre y cuando se cite adecuadamente y no se utilice para la realización completa de tareas o exámenes.

Paquetes de software requeridos

  • R y Python
  • Paquetes están listados en los archivos r-requirements.txt y py-requirements.txt en el repositorio del curso.
  • Se recomienda crear un entorno virtual para instalar los paquetes necesarios.
  • R : Usar install.packages(readLines("r-requirements.txt")) para instalar paquetes desde r-requirements.txt.
  • Python : Crea un entorno en conda usando conda create --name utb-series-tiempo python=3.13 y actívalo con conda activate utb-series-tiempo. Luego, para instalar los paquetes usa pip install -r py-requirements.txt para instalar paquetes desde py-requirements.txt.
  • Levantar JupyterLab con jupyter lab en la terminal desde el entorno virtual.
  • Para usar R dentro de JupyterLab ejecuta desde la consola R -e "IRkernel::installspec()" después de activar el entorno virtual.

Información de contacto

  • Microsoft-Teams y correo electrónico : fsalcedo@utb.edu.co
  • Horario de oficina: Martes y Jueves de 3:00 PM a 5:00 PM por Microsoft-Teams.

¡Gracias por su atención!